P P (1 Π= ± 1,96 n - Sistema de...
Transcript of P P (1 Π= ± 1,96 n - Sistema de...
CAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E
PROBABILIDADES
1. INTRODUÇÃO
- Conceito de população desconhecida π e proporção da amostra
observada P.
π = P + pequeno erro
Perguntas: - Qual é o pequeno erro?
- Até que ponto estamos certos?
(com 95% de confiança)
onde: n ... tamanho da amostra
P... proporção da amostra
Exemplo: Em 1972, pouco antes das eleições presidenciais nos
Estados Unidos, uma pesquisa Gallup, feita junto a 2000 eleitores,
acusou 760 favoráveis a McGovern e 1240 favoráveis a Nixon.
Calcular o intervalo π de confiança de 95% em relação a proporção P,
da população que votou em McGovern.
n
PPP
)1(96,1
−±=Π
- Aumentando n, aumenta-se a confiança. Para 99% de confiança, tem-se:
2. VARIABILIDADE
Duas peças nunca serão exatamente iguais: variações podem ser
mínimas.
3. TIPOS DE VARIAÇÃO
A Dentro da própria peça
B. Entre peças produzidas no mesmo período
C. Entre peças produzidas em períodos diferentes
n
PPP
)1(58,2
−±=Π
4. TIPOS DE CARACTERÍSTICAS DA QUALIDADE
o Variável: quando se faz um registro de uma característica
medida, através de uma dimensão. Uma variável pode ter
todos os valores possíveis entre dois valores limite.
o Atributo: quando se faz registros de um número de ítens
que atendam ou não a qualquer requisito específico,
dizemos que esses registros são feitos com base em
atributos.
o Variáveis tratadas como atributos: a qualidade medida de
ítens é chamada de variável, e o grupamento de itens em
função de suas dimensões é chamado de atributo.
5. CLASSIFICAÇÃO DOS DADOS
- Discretos: assumem determinados valores sem valores
intermediários.
- Contínuos: assumem qualquer valor dentro dos limites
especificados.
6. DISTRIBUIÇÃO DE FREQUÊNCIAS
Nenhum processo pode fornecer ítens exatamente iguais, sempre
existirá variação.
Distribuição de freqüências é útil para entender e interpretar a natureza dos dados
6.1. Diagrama de Freqüências
Exemplo de distribuição de freqüências para dados contínuos.
Peso de eixo de transmissão de aço (em Kg) 2,559
2,570
2,560
2,546
2,568
2,561
2,551
2,556
2,559
2,550
2,534
2,544
2,564
2,552
2,539
2,532
2,547
2,571
2,551
2,567
2,570
2,546
2,556
2,546
2,560
2,555
2,572
2,560
2,562
2,550
2,557
2,559
2,547
2,550
2,553
2,543
2,569
2,552
2,537
2,545
2,569
2,572
2,542
2,531
2,566
2,565
2,545
2,551
2,550
2,564
2,542
2,561
2,532
2,565
2,569
2,552
2,558
2,562
2,552
2,575
2,547
2,545
2,559
2,558
2,552
2,563
2,546
2,543
2,551
2,554
2,556
2,567
2,559
2,559
2,575
2,552
2,559
2,536
2,538
2,571
2,536
2,545
2,533
2,556
2,534
2,542
2,551
2,554
2,561
2,538
2,568
2,574
2,551
2,560
2,556
2,561
2,551
2,560
2,549
2,570
2,564
2,553
2,537
2,551
2,538
2,543
2,561
2,574
2,553
2,554
6.2. Cálculos para Distribuição de Freqüência
A. Montar a folha de contagem
Folha de contagem de valores para pesos de eixos de ação ( com
origem em valores de 2,500 Kg).
PESO TABULAÇÃO PESO TABULAÇÃO PESO TABULAÇÃO
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
1
11
1
11
11
11
111
1
111
111
1
1111
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
1111
111
1
1111
1111 111
1111 1
111
111
1
1111
1
11
1111 11
1111
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
1111
11
1
111
11
1
11
11
111
111
11
11
11
11
Números de células de 5 a 20.
B. Determinar a amplitude
R = H – L
= 2,575 – 2,531 = 0,044 (Kg)
C. Determinar o intervalo de células
C = R/ i
onde: C = número de células
R = amplitude
i = intervalo de célula
D. Determinar os limites das células
Valores extremos, conhecidos como limite
superior e inferior.
E. Determinar os pontos médios das células
Ponto central entre os limites superior e inferior.
F. Mostrar a freqüência após a célula
Quantidades de valores correspondentes a cada célula.
G. Freqüência acumulada Maior ( ou Menor)
Quantidades de valores iguais ou maiores (ou menores) que a
célula indicada.
Exemplo: Distribuição de freqüências de pesos de eixos de aço.
Limites das
Células
Ponto
médio das
células
Freqüência Freqüência
menor que
Acumulada
maior que
2,531 – 2,535
2,535 – 2,539
2,539 – 2,543
2,543 – 2,547
2,547 – 2,551
2,551 – 2,555
2,555 – 2,559
2,559 – 2,563
2,563 – 2,567
2,567 - 2,571
2,571 – 2,575
2,575 – 2,579
2,533
2,537
2,541
2,545
2,549
2,553
2,557
2,561
2,565
2,569
2,573
2,577
6
7
4
12
8
20
9
19
7
10
6
2
6
13
17
29
37
57
66
85
92
102
108
110
110
104
97
85
77
57
48
29
22
12
6
4
6.3. Apresentação Gráfica de Distribuições de freqüências
A. Histograma
B. Polígono de Freqüências
C. Gráfico de Freqüências Acumuladas ou Ogivas
• Freqüência Acumulada Maior Que
� Freqüência Acumulada Menor Que
8. MEDIDAS DE TENDÊNCIA CENTRAL
8.1. Moda
É o valor ou classe de maior frequência.
Ex: 2 5 5 7 9 9 12 11 5
8.2. Mediana
É o valor do centro da distribuição, após a mesma ter sido
ordenada.
Ex: 2 5 5 5 7 9 9 11 12
E se o número de observações for par?
Ex: 1 3 5 7 8 9 11 12
Mediana: (7 + 8) / 2 = 7,5
8.3. Média X
Média aritmética das observações
1
...21
==+++=∑
i
x
n
xxxx
n
i
2sS =1
)( 2
1
−
−=∑
=
n
xxS
i
n
i
9. MEDIDAS DE DISPERSÃO OU VARIABILIDADE
9.1. Variância (S2)
9.2. Desvio Padrão (S):
9.3. Amplitude (R):
R = Xmax-Xmin
1
)( 2
12
−
−=∑
=
n
xxS
i
n
i
10. Distribuição de Probabilidades
Forma de associar os eventos possíveis com suas
probabilidades.
• Distribuições Discretas
Variável discreta.
• Distribuições Contínuas
Variáveis contínuas.
todos
possíveis
n
nePr == 1
1 lim)(
Conceitos Matemáticos de Apoio:
1) Arranjo: nº de grupos de K elementos que se pode ordenar de
n elementos.
Exemplo: Quantas maneiras pode-se arranjar as letras A, B, C e
D, duas a duas?
2) Permutação: caso particular de arranjo de n elementos
agrupados em formas diferentes.
Pn=n!
Exemplo: Quantas maneiram se permutam as letras A, B e C?
P3 = 3! = 3 . 2. 1 = 6
)!(
!, Kn
nA Kn −
=
121.2
1.2.3.4
)!24(
!42,4 ==
−=A
3) Combinação: nº de grupos K elementos que pode obter de n
elementos.
Exemplo: Quantos resultados são possíveis ao se retirar 2 bolas,
com reposição de uma urna contendo uma bola vermelha, uma azul,
uma amarela e uma preta?
A) Distribuições Contínuas
A.1) Distribuição Normal
Uma das mais utilizadas:
µ
σ2
)!(!
!, KnK
nC Kn −
=
61.2.1.2
1.2.3.4
)!24(!2
!42,4 ==
−=C
22 2/)(
2
1)( σµ
πσ−−= XeXf
Padronização: distribuição padrão normal N (µ, σ2) N (0,1)
onde: x ... amostra
µ ... média populacional (- ∞ < µ < ∞)
σ2 ... variância da população (σ2 > 0)
A padronização transforma uma variável aleatória com
distribuição N (µ,σ2) em uma distribuição padrão N (0,1).
Exemplo: A distribuição dos diâmetros de uma peça segue uma
distribuição normal com µ = 100 mm e desvio padrão de 0,3 mm.
Qual a porcentagem de peças que se encontra fora da especificação
100,1 ± 0,7?
Solução: Xmin = 100,1 – 0,7 = 99,4
Xmax = 100,1 + 0,7 = 100,8
σµ−= x
z
99,4 100 100,8
P (fora da especificação) = (1 – 0,9962) + 0,0228
P (fora da especificação) = 2,66%
A.2) Distribuição Exponencial
f (x) = λ e-λx para x ≥ 0
67,23,0
1008,100 =−=z tabela 0,9962
f (x)
x
00,23,0
1004,99 −=−=ztabela 0,0228
onde: λ ... taxa de acontecimentos de sucesso
A média e a variância da distribuição exponencial são:
Exemplo: Uma fábrica produz lâmpadas com uma duração de
vida que pode ser considerada com uma distribuição exponencial com
média 200 horas.
a) Qual a probabilidade de uma lâmpada queimar antes de 20
horas de uso?
∫−− ==>
x
X
xxo
o
oedxexxP λλλ)(
λµ 1=
22 1
λσ =
f (x)
x 20
Solução: µ = 200 h
x = 20 h
b) Qual a probabilidade de uma lâmpada queimar entre 100 e
120 h
Solução:
c) Das lâmpadas que duram mais de 100 horas, qual a
porcentagem que queimam entre 100 e 120 horas?
Solução:
hqueimas/200
11 ==µ
λ
0952,01)20(20.
200
1
=−=<−
exP
f (x)
x 100 120
0577,0054886065,0)20100(120.
200
1100.
200
1
=−=−=<<−
−eexP
B) Distribuições Discretas
B.1) Distribuição Hipergeométrica
A variável aleatória da distribuição hipergeométrica é:
X= nº de peças defeituosas numa amostra, retirada sem
reposição de uma população finita.
N = nº de peças de um lote
D = nº de peças defeituosas deste
lote
n = tamanho da amostra
A probabilidade de saírem K peças defeituosas na amostra
é:
0952,06065,0
0577,0)
100
20100( ==
><<
x
xP
−−
==
n
N
Kn
DN
k
D
KXP
.
)(
onde:
... nº de amostras distintas de tamanho n,
que podem ser retiradas de uma população
de tamanho N
... nº de amostras com exatamente
K peças defeituosas.
Exemplo: Um lote de 50 peças contém exatamente 20% de
peças defeituosas. Retirada uma amostra de 5 peças, qual a
probabilidade de mais de 20% das peças da amostra serem
defeituosas?
Solução:
N = 50
D = 0,2 x 50 = 10
n = 5
x = ?
P (X > 0,2 x 5) = (X > 1) = 1- P (X = 0) – P (X =1)
n
N
−−
Kn
DN
K
D.
3106,0
5
50
5
40
0
10.
)0( =
=
−−
==
n
N
Kn
DN
k
D
XP
B.2) Distribuição Binomial
Condições:
a) n provas independentes
b) cada prova admite sucesso ou fracasso
c) a probabilidade de sucesso é p
d) X = nº de sucessos nas n provas
Função probabilidade:
4313,0
5
50
4
40.
1
10
)1( =
==XP
2581,04313,03106,01)1( =−−=>XP
KnK ppk
nKXP −−
== )1()(
onde: K ... nº de ordens que pode-se ter
... probabilidade de nas n provas
acontecer K sucessos e n-K
fracassos numa particular ordem
... combinação, n, K
Exemplo: Da produção mensal de uma máquina foi retirada
uma amostra de 5 peças. Sabe-se que esta máquina apresenta uma
porcentagem de peças defeituosas constante ao longo do tempo e
igual a 15%.
a) Qual a probabilidade de dentre as 5 peças exatamente 2
serem defeituosas?
b) Qual a probabilidade de mais de 2 serem defeituosas?
Solução:
a)
Knk pp −− )1(
K
n
1382,0)85,0(15,0.10
)15,01(15,02
5)1()2(
32
252
==
=−
=−
== −−KnK pp
k
nXP
b) P (X > 2) = P (X = 3) + P (X = 4) + (X = 5)
= 1 – P (X = 0) – P (X = 1) – P (X = 2)
B.3) Distribuição Poisson
Condições:
a) sucessos acontecem independentemente
b) taxa de acontecimento de sucesso (λ) é constante em
todo o intervalo t
c) X = nº de sucessos no intervalo t
d) t = intervalo contínuo de tempo, área, volume, etc.
Função probabilidade é:
onde: µ ... média (µ = λ.t)
0266,01382,03915,04437,01)2(
3915,0)85.0.(15,0.1
5)1(
4437,0)85,0(15,0.0
5)0(
41
50
=−−−=>
=
==
=
==
XP
XP
XP
!!
)()(
K
e
K
teKXP
KKt µλ µλ −−
===
Exemplo: Na inspeção de chapas de aço são retiradas
amostras de 2m2 e examinadas quanto ao número de imperfeições
encontradas.
As chapas com duas ou mais imperfeições na amostra são
rejeitadas. Se a média do processo de fabricação for de 0,75
imperfeições por metro quadrado, qual a probabilidade de uma
chapa ser rejeitada?
Solução: λ = 0,75 imperfeições/m2
t = 2 m2
µ = 2 x 0,75 = 1,5 imperfeições por amostra
X = nº de imperfeições (sucessos) numa amostra
de 2 m2
rejeição = 2 ou mais imperfeições
P (rejeitar) = P (X ≥ 2) = 1- P (X = 0) – P (X = 1)
4422,03347,02231,01)2(
3347,0!1
5,1)1(
2231,0!0
5,1)0(
15,1
05,1
=−−=≥
===
===
−
−
XP
eXP
eXP